opencv实战项目二十八：基于Shi-Tomasi算法的箱子角点检测

CV-King

于 2024-09-27 16:22:58 发布

阅读量472

点赞数 13

分类专栏： opencv-python实战项目大全文章标签： opencv 算法人工智能计算机视觉图像处理

本文链接：https://blog.csdn.net/HanWenKing/article/details/142592502

版权

opencv-python实战项目大全专栏收录该内容

28 篇文章 3 订阅

订阅专栏

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

前言
一、角点检测方法概述
二、Shi-Tomasi角点检测法

前言

随着科技的飞速发展，计算机视觉技术在我们的日常生活中扮演着越来越重要的角色。从无人驾驶汽车到智能手机的摄像头，再到各种智能监控系统，角点检测作为计算机视觉领域的基础技术之一，其应用范围日益广泛。在本文中，我们将聚焦于一种经典的角点检测算法——Shi-Tomasi角点检测算法，并以箱子角点检测为例，探讨其在实际应用中的效果和优势。Shi-Tomasi角点检测算法是基于Harris角点检测算法改进而来的一种高效、稳定的角点检测方法。它通过对图像中的每个像素点进行评分，筛选出具有显著角点特征的点，从而为后续的图像处理任务提供重要依据。在众多角点检测算法中，Shi-Tomasi算法以其优异的性能和简洁的实现方式，受到了广大研究者和工程师的青睐。
本文将首先介绍Shi-Tomasi角点检测算法的基本原理，然后通过一个具体的实例——箱子角点检测，展示算法在实际应用中的操作步骤和效果。希望通过本文的介绍，能让读者对Shi-Tomasi角点检测算法有更深入的了解，并在实际项目中灵活运用这一技术。

一、角点检测方法概述

角点检测是计算机视觉领域中的一个重要技术，它旨在识别图像中那些显著的特征点，这些点在几何上通常标志着物体轮廓的显著转折，而在图像处理中则表现为在两个方向上的梯度都相对较大。这些特征点的检测对于图像分析和理解至关重要，因为它们是特征提取的核心部分，能够显著提升图像匹配与识别的准确性和效率。此外，角点检测在运动分析领域也扮演着关键角色，它有助于跟踪对象的运动轨迹。
为了实现角点检测，研究人员开发了一系列算法，其中包括Harris、Shi-Tomasi、Susan、Fast、SIFT和SURF等。Harris和Shi-Tomasi算法的原理是基于图像的局部自相关性和特征值，它们能够有效地识别出图像中的角点。Susan算法则采用圆形模板来比较中心像素与周围像素的亮度，以此判断是否为角点。Fast算法通过快速比较像素周围的小区域内的亮度，实现了角点的快速检测。而SIFT和SURF算法不仅能够检测到角点，还能提取出尺度不变的特征描述符，这使得它们在图像的尺度变换下依然能够保持匹配的稳定性。值得注意的是，SURF算法在计算速度上优于SIFT，这使得它在实时应用中更为实用。本次项目使用的算法为Shi-Tomasi法，下面进行以此介绍。

二、Shi-Tomasi角点检测法

Shi-Tomasi角点检测算法是一种用于计算机视觉中的图像特征提取方法，它基于Harris角点检测算法。该算法由J. Shi和C. Tomasi在1994年提出，旨在找到图像中具有明显特征的区域，这些区域在图像中表现为角点。Shi-Tomasi算法的基本思想是检测图像中各个点的局部特征，通过计算每个像素点的兴趣值（角点响应值）来确定是否为角点。以下是算法的主要步骤：

图像差分：计算图像在水平方向和垂直方向的梯度，即I_x和I_y。计算图像的协方差矩阵M，其元素由以下公式给出：

这个矩阵描述了图像在该点的结构。
特征值计算：计算协方差矩阵M的特征值λ1和λ2。
特征值的大小反映了图像在该点的结构稳定性，较大的特征值意味着该点周围的结构变化较大，可能是一个角点。
角点响应值： Shi-Tomasi算法使用最小特征值来定义角点响应值R，而不是像Harris算法那样使用特征值的乘积和差：

如果R大于某个阈值，则认为该点是角点。
非极大值抑制：为了确保检测到的角点是局部最优的，通常会使用非极大值抑制来细化角点，即只保留响应值最大的角点，而移除附近响应值较小的点。

在opencv中提供了 Shi-Tomasi算法的api：cv2.goodFeaturesToTrack(image, maxCorners, qualityLevel, minDistance, mask=None, blockSize=None, useHarrisDetector=False, k=0.04)
参数说明：

image: 待检测的灰度图像。
maxCorners: 检测到的角点的最大数量。如果检测到的角点数量超过这个值，则只保留响应值最大的角点。
qualityLevel: 角点的质量水平，取值范围在0到1之间。它是用来过滤掉那些响应值不够大的角点。只有那些响应值大于最大响应值乘以qualityLevel的角点才会被保留。
minDistance: 保留的角点之间的最小欧氏距离。这个参数有助于避免角点聚集在一起，保证角点分布均匀。
mask: 一个可选参数，它指定了检测角点的区域。只有在mask的非零区域才会检测角点。
blockSize: 计算协方差矩阵时考虑的邻域大小。
useHarrisDetector: 一个布尔值，如果设置为True，则使用Harris角点检测算法代替Shi-Tomasi算法。
k: 与Harris角点检测算法相关的自由参数。

返回值：

返回检测到的角点的坐标列表，每个坐标以 (x, y) 的形式表示。

使用代码：

import cv2
import numpy as np
# 读取图像
image = cv2.imread(r'F:\cv_traditional\1.jpg', cv2.IMREAD_GRAYSCALE)

# Shi-Tomasi 角点检测参数
max_corners = 10  # 要检测的最大角点数量
quality_level = 0.03 # 角点质量等级，范围从 0 到 1，越高表示角点质量越好
min_distance = 5  # 角点之间的最小欧氏距离

# 检测角点
corners = cv2.goodFeaturesToTrack(image, max_corners, quality_level, min_distance)

# 将角点坐标转换为整数
corners = np.int0(corners)

# 在图像上绘制角点
for corner in corners:
    x, y = corner.ravel()
    cv2.circle(image, (x, y), 3, (0,0,0), -1)  # 在角点位置画圆

# 显示图像
cv2.imshow('Shi-Tomasi Corner Detection', image)
cv2.waitKey(0)
cv2.destroyAllWindows()